Беларускі лічбавы голас больш не будзе рэзаць слых няправільнымі націскамі. Нейрасетку нарэшце навучылі адрозніваць «мУку» ад «мукІ»

Як паведамляюць стваральнікі адкрытага праекта BelVoice ў сваім тэлеграм-канале,

галоўнай перашкодай для якаснага пераўтварэння тэксту ў маўленне (Text-to-Speech) заставаліся амографы. Гэта словы, якія маюць аднолькавае напісанне, але розны націск: напрыклад, «мУка» і «мукА», «вУчыць» і «вучЫць», «гАды» і «гадЫ».

Традыцыйныя алгарытмы выкарыстоўвалі найбольш частотны варыянт са слоўніка зусім без уліку кантэксту. Такі падыход забяспечваў дакладнасць каля 92 %. На першы погляд лічба здаецца высокай, аднак для сінтэзу маўлення гэта крытычная хіба: васьміпрацэнтная хібнасць азначае, што

практычна ў кожным абзацы сістэма рабіла фанетычную памылку, якая неадкладна выдавала штучнасць голасу і рэзала слых карыстальніку.

Для вырашэння семантычнай задачы даследчыкі інтэгравалі ў працэс вялікія моўныя мадэлі (LLM). Аптымальным рашэннем стала архітэктура лічбавага аналізу з размеркаваннем роляў. Спачатку магутная нейрасетка (напрыклад, Gemini Pro 3.1) апрацоўвае звесткі з Граматычнай базы і Тлумачальнага слоўніка беларускай мовы. На аснове гэтага масіва ствараецца аптымізаваны промпт з выразнымі правіламі і лагічнымі маркерамі для меншай інферэнс-мадэлі, якая ўжо непасрэдна працуе з тэкстам карыстальніка.

Усе тэхнічныя інструкцыі па пабудове гэтага алгарытму распрацоўшчыкі адкрыта размясцілі на платформе GitHub.

Выбар фінальнай мадэлі для праекта праводзіўся на трох спецыялізаваных датасэтах: базе CommonVoice, сінтэтычным збалансаваным наборы 10/10 і першых пятнаццаці раздзелах кнігі Аркадзя Чарнышэвіча «Засценак Малінаўка» з цалкам ручной разметкай націскаў. Падрабязныя вынікі даследаванняў апублікаваныя на платформе Hugging Face.

Найлепшыя суадносіны хуткасці і якасці прадэманстравала мадэль Gemma 4‑31B без уключэння функцыі разважання, якая празмерна запавольвае працу. На выбарцы з 1090 складаных амографаў у натуральным літаратурным тэксце сістэма дапусціла ўсяго тры памылкі, дасягнуўшы дакладнасці ў 99,72 %.

Функцыя разважання (Reasoning) — рэжым працы штучнага інтэлекту, пры якім ён не выдае адказ маментальна, а спачатку праводзіць унутраны пакрокавы лагічны аналіз. Гэта крыху павышае дакладнасць, але катастрафічна запавольвае хуткасць працы (да хвіліны на адзін запыт), таму для хуткай агучкі тэкстаў гэты рэжым адключаюць.

Для параўнання, канкурэнтная мадэль Qwen3. 8‑27B на тым жа аб'ёме даных памылілася 25 разоў, а Mistral-small-4 зрабіла 182 памылкі з выніковай дакладнасцю каля 83 працэнтаў.

• 7
• 0
• 0
• 0
• 0
• 0
• 0
• 0